關於 r語言陣列 ，我們在網路上蒐集到這些相關的討論、資訊與評價

摩爾定律放緩　靠啥提升AI晶片運算力？

作者 : 黃燁鋒，EE Times China
2021-07-26

對於電子科技革命的即將終結的說法，一般認為即是指摩爾定律的終結——摩爾定律一旦無法延續，也就意味著資訊技術的整棟大樓建造都將出現停滯，那麼第三次科技革命也就正式結束了。這種聲音似乎是從十多年前就有的，但這波革命始終也沒有結束。AI技術本質上仍然是第三次科技革命的延續……

人工智慧(AI)的技術發展，被很多人形容為第四次科技革命。前三次科技革命，分別是蒸汽、電氣、資訊技術(電子科技)革命。彷彿這“第四次”有很多種說辭，比如有人說第四次科技革命是生物技術革命，還有人說是量子技術革命。但既然AI也是第四次科技革命之一的候選技術，而且作為資訊技術的組成部分，卻又獨立於資訊技術，即表示它有獨到之處。

電子科技革命的即將終結，一般認為即是指摩爾定律的終結——摩爾定律一旦無法延續，也就意味著資訊技術的整棟大樓建造都將出現停滯，那麼第三次科技革命也就正式結束了。這種聲音似乎是從十多年前就有，但這波革命始終也沒有結束。

AI技術本質上仍然是第三次科技革命的延續，它的發展也依託於幾十年來半導體科技的進步。這些年出現了不少專門的AI晶片——而且市場參與者相眾多。當某一個類別的技術發展到出現一種專門的處理器為之服務的程度，那麼這個領域自然就不可小覷，就像當年GPU出現專門為圖形運算服務一樣。

所以AI晶片被形容為CPU、GPU之後的第三大類電腦處理器。AI專用處理器的出現，很大程度上也是因為摩爾定律的發展進入緩慢期：電晶體的尺寸縮減速度，已經無法滿足需求，所以就必須有某種專用架構(DSA)出現，以快速提升晶片效率，也才有了專門的AI晶片。

另一方面，摩爾定律的延緩也成為AI晶片發展的桎梏。在摩爾定律和登納德縮放比例定律(Dennard Scaling)發展的前期，電晶體製程進步為晶片帶來了相當大的助益，那是「happy scaling down」的時代——CPU、GPU都是這個時代受益，不過Dennard Scaling早在45nm時期就失效了。

AI晶片作為第三大類處理器，在這波發展中沒有趕上happy scaling down的好時機。與此同時，AI應用對運算力的需求越來越貪婪。今年WAIC晶片論壇圓桌討論環節，燧原科技創始人暨CEO趙立東說：「現在訓練的GPT-3模型有1750億參數，接近人腦神經元數量，我以為這是最大的模型了，要千張Nvidia的GPU卡才能做。談到AI運算力需求、模型大小的問題，說最大模型超過萬億參數，又是10倍。」

英特爾(Intel)研究院副總裁、中國研究院院長宋繼強說：「前兩年用GPU訓練一個大規模的深度學習模型，其碳排放量相當於5台美式車整個生命週期產生的碳排量。」這也說明了AI運算力需求的貪婪，以及提供運算力的AI晶片不夠高效。

不過作為產業的底層驅動力，半導體製造技術仍源源不斷地為AI發展提供推力。本文將討論WAIC晶片論壇上聽到，針對這個問題的一些前瞻性解決方案——有些已經實現，有些則可能有待時代驗證。

XPU、摩爾定律和異質整合

「電腦產業中的貝爾定律，是說能效每提高1,000倍，就會衍生出一種新的運算形態。」中科院院士劉明在論壇上說，「若每瓦功耗只能支撐1KOPS的運算，當時的這種運算形態是超算；到了智慧型手機時代，能效就提高到每瓦1TOPS；未來的智慧終端我們要達到每瓦1POPS。 這對IC提出了非常高的要求，如果依然沿著CMOS這條路去走，當然可以，但會比較艱辛。」

針對性能和效率提升，除了尺寸微縮，半導體產業比較常見的思路是電晶體結構、晶片結構、材料等方面的最佳化，以及處理架構的革新。

(1)AI晶片本身其實就是對處理器架構的革新，從運算架構的層面來看，針對不同的應用方向造不同架構的處理器是常規，更專用的處理器能促成效率和性能的成倍增長，而不需要依賴於電晶體尺寸的微縮。比如GPU、神經網路處理器(NPU，即AI處理器)，乃至更專用的ASIC出現，都是這類思路。

CPU、GPU、NPU、FPGA等不同類型的晶片各司其職，Intel這兩年一直在推行所謂的「XPU」策略就是用不同類型的處理器去做不同的事情，「整合起來各取所需，用組合拳會好過用一種武器去解決所有問題。」宋繼強說。Intel的晶片產品就涵蓋了幾個大類，Core CPU、Xe GPU，以及透過收購獲得的AI晶片Habana等。

另外針對不同類型的晶片，可能還有更具體的最佳化方案。如當代CPU普遍加入AVX512指令，本質上是特別針對深度學習做加強。「專用」的不一定是處理器，也可以是處理器內的某些特定單元，甚至固定功能單元，就好像GPU中加入專用的光線追蹤單元一樣，這是當代處理器普遍都在做的一件事。

(2)從電晶體、晶片結構層面來看，電晶體的尺寸現在仍然在縮減過程中，只不過縮減幅度相比過去變小了——而且為緩解電晶體性能的下降，需要有各種不同的技術來輔助尺寸變小。比如說在22nm節點之後，電晶體變為FinFET結構，在3nm之後，電晶體即將演變為Gate All Around FET結構。最終會演化為互補FET (CFET)，其本質都是電晶體本身充分利用Z軸，來實現微縮性能的提升。

劉明認為，「除了基礎元件的變革，IC現在的發展還是比較多元化，包括新材料的引進、元件結構革新，也包括微影技術。長期賴以微縮的基本手段，現在也在發生巨大的變化，特別是未來3D的異質整合。這些多元技術的協同發展，都為晶片整體性能提升帶來了很好的增益。」

他並指出，「從電晶體級、到晶圓級，再到晶片堆疊、引線接合(lead bonding)，精準度從毫米向奈米演進，互連密度大大提升。」從晶圓/裸晶的層面來看，則是眾所周知的朝more than moore’s law這樣的路線發展，比如把兩片裸晶疊起來。現在很熱門的chiplet技術就是比較典型的並不依賴於傳統電晶體尺寸微縮，來彈性擴展性能的方案。

台積電和Intel這兩年都在大推將不同類型的裸晶，異質整合的技術。2.5D封裝方案典型如台積電的CoWoS，Intel的EMIB，而在3D堆疊上，Intel的Core LakeField晶片就是用3D Foveros方案，將不同的裸晶疊在一起，甚至可以實現兩片運算裸晶的堆疊、互連。

之前的文章也提到過AMD剛發佈的3D V-Cache，將CPU的L3 cache裸晶疊在運算裸晶上方，將處理器的L3 cache大小增大至192MB，對儲存敏感延遲應用的性能提升。相比Intel，台積電這項技術的獨特之處在於裸晶間是以混合接合(hybrid bonding)的方式互連，而不是micro-bump，做到更小的打線間距，以及晶片之間數十倍通訊性能和效率提升。

這些方案也不直接依賴傳統的電晶體微縮方案。這裡實際上還有一個方面，即新材料的導入專家們沒有在論壇上多說，本文也略過不談。

1,000倍的性能提升

劉明談到，當電晶體微縮的空間沒有那麼大的時候，產業界傾向於採用新的策略來評價技術——「PPACt」——即Powe r(功耗)、Performance (性能)、Cost/Area-Time (成本/面積-時間)。t指的具體是time-to-market，理論上應該也屬於成本的一部分。

電晶體微縮方案失效以後，「多元化的技術變革，依然會讓IC性能得到進一步的提升。」劉明說，「根據預測，這些技術即使不再做尺寸微縮，也會讓IC的晶片性能做到500~1,000倍的提升，到2035年實現Zetta Flops的系統性能水準。且超算的發展還可以一如既往地前進；單裸晶儲存容量變得越來越大，IC依然會為產業發展提供基礎。」

500~1,000倍的預測來自DARPA，感覺有些過於樂觀。因為其中的不少技術存在比較大的邊際遞減效應，而且有更實際的工程問題待解決，比如運算裸晶疊層的散熱問題——即便業界對於這類工程問題的探討也始終在持續。

不過1,000倍的性能提升，的確說明摩爾定律的終結並不能代表第三次科技革命的終結，而且還有相當大的發展空間。尤其本文談的主要是AI晶片，而不是更具通用性的CPU。

矽光、記憶體內運算和神經型態運算

在非傳統發展路線上(以上內容都屬於半導體製造的常規思路)，WAIC晶片論壇上宋繼強和劉明都提到了一些頗具代表性的技術方向(雖然這可能與他們自己的業務方向或研究方向有很大的關係)。這些技術可能尚未大規模推廣，或者仍在商業化的極早期。

(1)近記憶體運算和記憶體內運算：處理器性能和效率如今面臨的瓶頸，很大程度並不在單純的運算階段，而在資料傳輸和儲存方面——這也是共識。所以提升資料的傳輸和存取效率，可能是提升整體系統性能時，一個非常靠譜的思路。

這兩年市場上的處理器產品用「近記憶體運算」(near-memory computing)思路的，應該不在少數。所謂的近記憶體運算，就是讓儲存(如cache、memory)單元更靠近運算單元。CPU的多層cache結構(L1、L2、L3)，以及電腦處理器cache、記憶體、硬碟這種多層儲存結構是常規。而「近記憶體運算」主要在於究竟有多「近」，cache記憶體有利於隱藏當代電腦架構中延遲和頻寬的局限性。

這兩年在近記憶體運算方面比較有代表性的，一是AMD——比如前文提到3D V-cache增大處理器的cache容量，還有其GPU不僅在裸晶內導入了Infinity Cache這種類似L3 cache的結構，也更早應用了HBM2記憶體方案。這些實踐都表明，儲存方面的革新的確能帶來性能的提升。

另外一個例子則是Graphcore的IPU處理器：IPU的特點之一是在裸晶內堆了相當多的cache資源，cache容量遠大於一般的GPU和AI晶片——也就避免了頻繁的訪問外部儲存資源的操作，極大提升頻寬、降低延遲和功耗。

近記憶體運算的本質仍然是馮紐曼架構(Von Neumann architecture)的延續。「在做處理的過程中，多層級的儲存結構，資料的搬運不僅僅在處理和儲存之間，還在不同的儲存層級之間。這樣頻繁的資料搬運帶來了頻寬延遲、功耗的問題。也就有了我們經常說的運算體系內的儲存牆的問題。」劉明說。

構建非馮(non-von Neumann)架構，把傳統的、以運算為中心的馮氏架構，變換一種新的運算範式。把部分運算力下推到儲存。這便是記憶體內運算(in-memory computing)的概念。

記憶體內運算的就現在看來還是比較新，也有稱其為「存算一體」。通常理解為在記憶體中嵌入演算法，儲存單元本身就有運算能力，理論上消除資料存取的延遲和功耗。記憶體內運算這個概念似乎這在資料爆炸時代格外醒目，畢竟可極大減少海量資料的移動操作。

其實記憶體內運算的概念都還沒有非常明確的定義。現階段它可能的內涵至少涉及到在儲記憶體內部，部分執行資料處理工作；主要應用於神經網路(因為非常契合神經網路的工作方式)，以及這類晶片具體的工作方法上，可能更傾向於神經型態運算(neuromorphic computing)。

對於AI晶片而言，記憶體內運算的確是很好的思路。一般的GPU和AI晶片執行AI負載時，有比較頻繁的資料存取操作，這對性能和功耗都有影響。不過記憶體內運算的具體實施方案，在市場上也是五花八門，早期比較具有代表性的Mythic導入了一種矩陣乘的儲存架構，用40nm嵌入式NOR，在儲記憶體內部執行運算，不過替換掉了數位週邊電路，改用類比的方式。在陣列內部進行模擬運算。這家公司之前得到過美國國防部的資金支援。

劉明列舉了近記憶體運算和記憶體內運算兩種方案的例子。其中，近記憶體運算的這個方案應該和AMD的3D V-cache比較類似，把儲存裸晶和運算裸晶疊起來。

劉明指出，「這是我們最近的一個工作，採用hybrid bonding的技術，與矽通孔(TSV)做比較，hybrid bonding功耗是0.8pJ/bit，而TSV是4pJ/bit。延遲方面，hybrid bonding只有0.5ns，而TSV方案是3ns。」台積電在3D堆疊方面的領先優勢其實也體現在hybrid bonding混合鍵合上，前文也提到了它具備更高的互連密度和效率。

另外這套方案還將DRAM刷新頻率提高了一倍，從64ms提高至128ms，以降低功耗。「應對刷新率變慢出現拖尾bit，我們引入RRAM TCAM索引這些tail bits」劉明說。

記憶體內運算方面，「傳統運算是用布林邏輯，一個4位元的乘法需要用到幾百個電晶體，這個過程中需要進行資料來回的移動。記憶體內運算是利用單一元件的歐姆定律來完成一次乘法，然後利用基爾霍夫定律完成列的累加。」劉明表示，「這對於今天深度學習的矩陣乘非常有利。它是原位的運算和儲存，沒有資料搬運。」這是記憶體內運算的常規思路。

「無論是基於SRAM，還是基於新型記憶體，相比近記憶體運算都有明顯優勢，」劉明認為。下圖是記憶體內運算和近記憶體運算，精準度、能效等方面的對比，記憶體內運算架構對於低精準度運算有價值。

下圖則總結了業內主要的一些記憶體內運算研究，在精確度和能效方面的對應關係。劉明表示，「需要高精確度、高運算力的情況下，近記憶體運算目前還是有優勢。不過記憶體內運算是更新的技術，這幾年的進步也非常快。」

去年阿里達摩院發佈2020年十大科技趨勢中，有一個就是存算一體突破AI算力瓶頸。不過記憶體內運算面臨的商用挑戰也一點都不小。記憶體內運算的通常思路都是類比電路的運算方式，這對記憶體、運算單元設計都需要做工程上的考量。與此同時這樣的晶片究竟由誰來造也是個問題：是記憶體廠商，還是數文書處理器廠商？(三星推過記憶體內運算晶片，三星、Intel垂直整合型企業似乎很適合做記憶體內運算…)

(2)神經型態運算：神經型態運算和記憶體內運算一樣，也是新興技術的熱門話題，這項技術有時也叫作compute in memory，可以認為它是記憶體內運算的某種發展方向。神經型態和一般神經網路AI晶片的差異是，這種結構更偏「類人腦」。

進行神經型態研究的企業現在也逐漸變得多起來，劉明也提到了AI晶片「最終的理想是在結構層次模仿腦，元件層次逼近腦，功能層次超越人腦」的「類腦運算」。Intel是比較早關注神經型態運算研究的企業之一。

傳說中的Intel Loihi就是比較典型存算一體的架構，「這片裸晶裡面包含128個小核心，每個核心用於模擬1,024個神經元的運算結構。」宋繼強說，「這樣一塊晶片大概可以類比13萬個神經元。我們做到的是把768個晶片再連起來，構成接近1億神經元的系統，讓學術界的夥伴去試用。」

「它和深度學習加速器相比，沒有任何浮點運算——就像人腦裡面沒有乘加器。所以其學習和訓練方法是採用一種名為spike neutral network的路線，功耗很低，也可以訓練出做視覺辨識、語言辨識和其他種類的模型。」宋繼強認為，不採用同步時脈，「刺激的時候就是一個非同步電動勢，只有工作部分耗電，功耗是現在深度學習加速晶片的千分之一。」

「而且未來我們可以對不同區域做劃分，比如這兒是視覺區、那兒是語言區、那兒是觸覺區，同時進行多模態訓練，互相之間產生關聯。這是現在的深度學習模型無法比擬的。」宋繼強說。這種神經型態運算晶片，似乎也是Intel在XPU方向上探索不同架構運算的方向之一。

(2)微型化矽光：這個技術方向可能在層級上更偏高了一些，不再晶片架構層級，不過仍然值得一提。去年Intel在Labs Day上特別談到了自己在矽光(Silicon Photonics)的一些技術進展。其實矽光技術在連接資料中心的交換機方面，已有應用了，發出資料時，連接埠處會有個收發器把電訊號轉為光訊號，透過光纖來傳輸資料，另一端光訊號再轉為電訊號。不過傳統的光收發器成本都比較高，內部元件數量大，尺寸也就比較大。

Intel在整合化的矽光(IIIV族monolithic的光學整合化方案)方面應該是商業化走在比較前列的，就是把光和電子相關的組成部分高度整合到晶片上，用IC製造技術。未來的光通訊不只是資料中心機架到機架之間，也可以下沉到板級——就跟現在傳統的電I/O一樣。電互連的主要問題是功耗太大，也就是所謂的I/O功耗牆，這是這類微型化矽光元件存在的重要價值。

這其中存在的技術挑戰還是比較多，如做資料的光訊號調變的調變器調變器，據說Intel的技術使其實現了1,000倍的縮小；還有在接收端需要有個探測器(detector)轉換光訊號，用所謂的全矽微環(micro-ring)結構，實現矽對光的檢測能力；波分複用技術實現頻寬倍增，以及把矽光和CMOS晶片做整合等。

Intel認為，把矽光模組與運算資源整合，就能打破必須帶更多I/O接腳做更大尺寸處理器的這種趨勢。矽光能夠實現的是更低的功耗、更大的頻寬、更小的接腳數量和尺寸。在跨處理器、跨伺服器節點之間的資料互動上，這類技術還是頗具前景，Intel此前說目標是實現每根光纖1Tbps的速率，並且能效在1pJ/bit，最遠距離1km，這在非本地傳輸上是很理想的數字。

還有軟體…

除了AI晶片本身，從整個生態的角度，包括AI感知到運算的整個鏈條上的其他組成部分，都有促成性能和效率提升的餘地。比如這兩年Nvidia從軟體層面，針對AI運算的中間層、庫做了大量最佳化。相同的底層硬體，透過軟體最佳化就能實現幾倍的性能提升。

宋繼強說，「我們發現軟體最佳化與否，在同一個硬體上可以達到百倍的性能差距。」這其中的餘量還是比較大。

在AI開發生態上，雖然Nvidia是最具發言權的；但從戰略角度來看，像Intel這種研發CPU、GPU、FPGA、ASIC，甚至還有神經型態運算處理器的企業而言，不同處理器統一開發生態可能更具前瞻性。Intel有個稱oneAPI的軟體平台，用一套API實現不同硬體性能埠的對接。這類策略對廠商的軟體框架構建能力是非常大的考驗——也極大程度關乎底層晶片的執行效率。

在摩爾定律放緩、電晶體尺寸微縮變慢甚至不縮小的前提下，處理器架構革新、異質整合與2.5D/3D封裝技術依然可以達成1,000倍的性能提升；而一些新的技術方向，包括近記憶體運算、記憶體內運算和微型矽光，能夠在資料訪存、傳輸方面產生新的價值；神經型態運算這種類腦運算方式，是實現AI運算的目標；軟體層面的最佳化，也能夠帶動AI性能的成倍增長。所以即便摩爾定律嚴重放緩，AI晶片的性能、效率提升在上面提到的這麼多方案加持下，終將在未來很長一段時間內持續飛越。這第三(四)次科技革命恐怕還很難停歇。

資料來源：https://www.eettaiwan.com/20210726nt61-ai-computing/?fbclid=IwAR3BaorLm9rL2s1ff6cNkL6Z7dK8Q96XulQPzuMQ_Yky9H_EmLsBpjBOsWg

分享好文，中學生要學電腦嗎？
作者：創新工場CTO、人工智慧工程院執行院長 王詠剛

文章来自半轻人微信公众号（ban-qing-ren）
………………………………

朋友的孩子高中剛畢業，已拿到美國頂尖大學（非電腦專業）的錄取通知。疫情影響，不知何時才能去學校報到。孩子想抓緊學習一下程式設計，為大學打好基礎。這孩子找我聊了一個多小時，從如何學程式設計，聊到非電腦專業和電腦專業的路徑差異，又聊到如何從不同角度認識電腦與程式設計。聊得比較寬泛，不知是否對這孩子有用。

回想我自己的高中時代：那時雖迷戀程式設計，卻完全沒有懂行的人指導。在我們那個四線城市的廠礦中學裡，開設電腦興趣課的老師知道的資訊還沒我多。我高一時跑到北京中關村逛街，卻完全沒意識到中國第一代頂尖程式師當時就在我身邊的低矮辦公樓裡寫代碼（這話說得並不準確，比如求伯君那年就主要是在珠海做開發），鼎鼎大名的UCDOS、WPS、CCED就出自他們之手……我在當時街邊的一家書店（位置似乎就在今天的鼎好大廈對面）買到了許多種印刷品質極低劣的電腦圖書。用今天的標準看，那就是一批盜版影印或未授權翻譯的國外圖書。可那批書竟成了我高中時代最寶貴的程式設計知識來源。

顯然，我在高中時根本就是野路子學電腦。現在後悔也沒用，當時我的眼界或能觸及的資源就那麼多。如果能穿越回30年前，我該對喜歡程式設計的自己說些什麼呢？這些年，我與世界上最好的一批程式師合作過，也參與過世界上最有價值的軟體系統研發——我所積累的一些粗淺經驗裡，有哪些可以分享給一個愛程式設計的中學生？

【問題1】中學生要不要學電腦？

當然要！

每個中學生都要學。只不過——建議大部分中學生使用“休閒模式”，小部分（不超過10%）中學生使用“探險模式”。

啊？兩個模式？那我該進入哪個模式？⟹請跳轉至【問題2】

【問題2】選哪個模式？

你癡迷電腦嗎？比如，你玩遊戲時會特別想知道這遊戲背後的代碼是如何編寫的嗎？再比如，就算老師家長不同意你學電腦，甚至當著你的面把電腦砸了，你也要堅持學電腦嗎？如果是，恭喜你進入“探險模式”⟹請跳轉至【問題200】

你對數學有興趣嗎？比如，你看到街邊建築的曲線，就會在腦子裡琢磨曲線對應的函數或方程嗎？每當手裡攥著幾粒骰子，你就會不由自主地計算概率嗎？如果是，歡迎進入“探險模式”⟹請跳轉至【問題200】；當然，如果有些猶豫，也可以先進入“休閒模式”⟹請跳轉至【問題100】

即便你對電腦和數學興趣不大，家長、老師還是強烈建議你學電腦嗎？就算你一百個沒時間一千個不願意，家長、老師還是會逼著你學電腦嗎？如果是，建議你主動進入“休閒模式”並向家長、老師彙報說“我已經按照前谷歌資深軟體工程師的專業建議在認真學程式設計了”⟹請跳轉至【問題100】

其他情況，一律進入“休閒模式”。⟹請跳轉至【問題100】

【問題100】休閒模式 | 主要學什麼？

“休閒模式”將電腦視為我們生活、工作中的必備工具，主要學習如何聰明、高效、優雅地使用計算設備。這裡說的計算設備，包括所有形式的電腦、手機、遊戲機、智慧家電以及未來一定會進入生活的自動駕駛汽車。

什麼什麼？你已經會用電腦、會玩手機、會打遊戲了？別著急，慢慢往下看。

【問題101】休閒模式 | 我會用搜尋引擎嗎？

我知道你會用百度搜習題答案。但，習題答案不是知識。你會用搜尋引擎來搜索和梳理知識嗎？請試著用電腦和你喜歡的搜尋引擎來解決如下兩個問題：

（1）圓周率𝜋的計算方法有多少種？每種不同的計算方法分別是由什麼人在什麼時代提出的？借助電腦，今天人們可以將圓周率𝜋計算到小數點後多少位？將圓周率𝜋計算到小數點這麼多位元，一次大概需要花掉多少度電？

（2）全球大約有多少個廁所？在發展程度不同的國家，分別有多少比例的人可以享用安裝了抽水馬桶的衛生廁所？為什麼比爾·蓋茨曾大力推動一個設計新型馬桶的研發專案？比爾·蓋茨的公益組織在這個專案上大約花費了多少資金，最終收到了多大的效果？

如果你沒法快速得到上述問題的全部答案，那就給自己設一個小目標：一個月內，學會用搜尋引擎系統地獲取、梳理一組知識點的全部技巧。

【問題102】休閒模式 | 接下來學什麼？

建議學好典型的工具軟體。比如，我知道你會用Office了，但用Office和用Office是很不一樣的。對生活、學習、工作來說，學好、學透一個工具軟體比鑽研程式設計技巧更實用。

 你會用Excel來管理班級公益基金的預算和實際收支情況嗎？
 你會用Excel做出過去20年裡全球大學排名的演變趨勢圖嗎？
 你會用Word排版一篇中學生論文嗎？論文中的圖表和最後的參考文獻部分該如何排版？
 你會用Word編排一份班級刊物，包含封面、扉頁、目錄、插圖頁、附錄、封底等部分，可以在列印後直接裝訂成冊嗎？
 PowerPoint呢？你有沒有研究過蘋果公司發佈會上那些幻燈片的設計？當約伯斯（多年以前）或蒂姆·庫克站在幻燈片前的時候，他們的演講思路是如何與幻燈片完美結合的？

還有哦，別忘了學學如何為數碼照片做後期，如何用電腦或手機剪視頻，如何為剪輯好的視頻配字幕，如何將照片、音樂、視頻等素材結合起來，做出一段吸引人的快手/抖音短視頻。

最後，抽空玩玩那些設計精妙的遊戲吧，比如《紀念碑穀》、《塞爾達傳說：曠野之息》之類；同時，遠離那些滿屏廣告，或者一心騙你在遊戲裡充值花錢的垃圾。

【問題103】休閒模式 | 不學學知識嗎？

當然要學知識。下面每種實用的電腦知識都夠大家學一陣子了。

（1）色彩知識：你知道同一張數碼照片在不同品牌的手機螢幕上、不同的電腦螢幕上、不同的智慧電視上顯示時，為什麼經常有較大色差嗎？你知道有一些色彩只適合螢幕顯示，不適合列印輸出嗎？你知道軟體工具裡常用的RGB、HSL之類的色彩空間都是什麼意思嗎？如何在設計PowerPoint幻燈片時選擇一組和諧美觀的色彩？

（2）字體知識：你知道什麼是襯線字體，什麼是無襯線字體嗎？你知道網頁中常用的英文字體都有哪些嗎？你知道商務演講時最適用于幻燈片的英文字體有哪些嗎？你知道電腦和手機常用的黑體、宋體、仿宋體、楷體等中文字體分別適合哪些實際應用場合嗎？你會將不同字體混排成一個美觀的頁面嗎？

（3）網路知識：你知道5G是什麼嗎？你知道5G和4G在通信頻寬、通信距離上的具體區別嗎？你知道什麼是路由器，什麼是防火牆嗎？你知道如何配置路由器，如何配置防火牆嗎？微信或QQ聊天時，對方發的文字、語音或視頻是如何傳送到你的手機上的？

（4）應用知識：淘寶中搜索得到的商品資訊是從哪裡來的？商品是按什麼方式排序的？為什麼購物APP經常會推薦給你一些曾經買過、看過的商品？你知道如何為自己建立個人網站嗎？你知道如何管理微信公眾號嗎？

（5）安全知識：你知道網路上的釣魚攻擊是怎麼回事兒嗎？你知道什麼是電腦漏洞嗎？你知道駭客為什麼想把一大批受攻擊的電腦變成可以遠端操控的傀儡機嗎？你知道為什麼現在很多手機APP都要通過短信發送驗證碼嗎？如果驗證碼被壞人截獲，你會面臨哪些風險？

這裡只是舉例。實用的電腦知識還有很多。大家可以自己發掘。

【問題104】休閒模式 | 我需要學程式設計嗎？

可以學，但不是必須。即便學，也只需要根據自己的需要，學那些最能幫你解決現實問題的部分。

【問題105】休閒模式 | 我該學什麼程式設計語言？

在“休閒模式”裡，電腦就是工具，程式設計也是工具，夠用就好。學什麼程式設計語言，完全看你想要電腦幫你做什麼。

• 如果你想對資料處理有更多自主權，那不妨學學Python；
• 如果你想做簡單的交互演示程式，那就先把JavaScript學起來；
• 如果你想更好、更快地寫論文，那不妨學學LaTeX（什麼什麼，LaTeX不是程式設計語言？你太小看LaTeX了）；
• 如果你想學做簡單的手機APP，那麼，Android手機就學Java，蘋果手機就學Swift好了；
• 如果你只想知道程式設計是怎麼回事，那……從Python或JavaScript開始就行。其實，跟五六歲的小朋友一起學學Scratch圖形程式設計也不錯。

【問題106】休閒模式 | 我需要學人工智慧嗎？

在“休閒模式”裡，最需要學的不是“人工智慧的實現原理”，而是“什麼是人工智慧”，以及“人工智慧能做什麼，不能做什麼”。

• 在手機上試一試，人工智慧做語音辨識時能做到什麼水準？哪些話容易識別，哪些話不容易識別？
• 打開機器翻譯軟體，試一試哪些資訊翻譯得好，哪些資訊翻譯得不好？
• 手機上的拍照軟體一般都有人臉識別功能。試一試人臉識別在什麼場景下做得好，什麼場景下做得不好？
• 找一部講人工智慧的科幻電影，用自己的判斷解讀一下，電影裡哪些技術有可能成為現實，哪些技術存在邏輯矛盾。

【問題107】休閒模式 | 推薦什麼參考書、參考文獻？

書不重要，豆瓣評分7分以上的電腦應用、程式設計甚至科普類圖書都可以拿來翻翻。

直接在知乎裡搜索你想瞭解或學習的知識點可能更有效率。

如果你意猶未盡，覺得自己剛活動開筋骨，還想挑戰更高層次，歡迎進入“探險模式”。⟹請跳轉至【問題200】

否則，“休閒模式”到此結束。⟹請離開此問答

【問題200】探險模式 | 主要學什麼？

“探險模式”需要有挑戰精神。電腦科學的世界技術演進快，脈絡複雜，要想在探索時不迷路，你得通過有順序、有系統地學習電腦知識，慢慢構建出一張可以在未來幫你走得更遠的思維地圖來。

在“探險模式”裡，電腦就不止是一件能快速計算的工具了。電腦更像是我們大腦的一種延伸。這既包括認知能力的延伸，也包括認知邏輯的延伸。隨著學習深入，大家會逐漸體會到電腦所具有的多維度能力：

 電腦是一種可以表示不同類型資訊（數、符號、文字、語音、圖像、視頻、虛擬空間、抽象邏輯）的“資訊管理機”；
 同時，電腦也是一種可以連續執行指令以完成特定的資訊處理任務的“指令處理機”；
 同時，電腦還是一種可以在知識與邏輯層面完成特定推理任務的“知識推理機”；
 同時，電腦也是一種可以從人類給定的資料或自我生成的資料中總結規律，建立模型，自主完成某些決策的“智慧學習機”。

“探險模式”的目標就是盡可能準確地認識電腦，掌握有關電腦運行的最基本規律。有了這些基礎。未來在大學期間或工作中，你就能更容易地設計電腦軟硬體系統，或是設計出碳基大腦（人類）與矽基大腦（機器智慧）之間的最佳協作方案。

【問題201】探險模式 | 我的英語水準足夠嗎？

蘋果每年秋季的新品發佈會，不加字幕的話，你能聽懂多少？

 能聽懂大部分：建議在學習電腦的過程中，盡可能使用英文教材、英文文檔。
 能聽懂小部分：建議將原來準備學電腦的時間，分出一部分來學英語。
 只能聽懂“你好”“再見”之類：⟹請離開此問答。然後，把原來準備學電腦的時間用於學英語，六個月後再回來。

【問題202】探險模式 | 我的數學水準足夠嗎？

 如果你是數學和數學應用小能手——較複雜的數學問題總能快速找到核心思路，或快速簡化為簡單問題；很容易就能將抽象概念映射到具體的數學圖形，或將數學問題與相應的現實問題關聯在一起：請繼續探險之旅。
 如果你應付正常數學課程感到吃力：建議將原來準備學電腦的時間，分出一部分來學數學。
 如果你還搞不清楚什麼是方程、函數、集合、概率……：⟹請離開此問答。然後，把原來準備學電腦的時間用於學數學，六個月後再回來。

【問題203】探險模式 | 為什麼強調英語和數學？

（1）統計上說，最好的電腦參考資料大都是英文寫的，最好的電腦課程大都是用英文講的，最新的電腦論文大都是用英文發表的。

（2）函數、方程、坐標系、標量、向量、排列組合、概率這些中學數學裡會初步學習到的數學知識，是電腦科學的基礎。

【問題204】探險模式 | 電腦知識那麼多，正確的學習順序是什麼？

最重要的順序有兩個。建議先從順序一開始，學有餘力時兼顧兩個順序。

順序一：自底向上，即，自底層原理向上層應用拓展的順序。

 電腦原理的基礎知識：
 為什麼每台電腦（包括手機）都有CPU、記憶體和外部設備？
 （馮·諾依曼體系結構的）記憶體中為什麼既可以存儲資料，也可以存儲指令？
 CPU是如何完成一次加法運算的？
 程式設計語言的基礎知識：
 資料類型，值，變數，作用域……
 語句，流程控制語句……
 過程、方法或函數，類，模組，程式，服務……
 編譯系統的基本概念：
 電腦程式是如何被解釋或編譯成目標代碼的？
 演算法和資料結構的基礎知識：
 陣列，向量，鏈表，堆，棧，二叉樹，樹和圖……
 遞迴演算法，排序演算法，二叉樹搜索演算法，圖搜索演算法……
 應用層的基礎知識：
 為什麼電腦需要作業系統？設備驅動程式是做什麼的？
 網路通信的基本原理是什麼？流覽器是怎麼找到並顯示一個網頁的？
 資料庫是做什麼用的？
 虛擬機器是怎麼回事？
 人工智慧系統的基礎知識：
 先熟悉些線性代數、概率和數學優化的基礎知識。
 什麼是機器學習？從簡單的線性回歸中體會機器學習的基本概念、基本思路。
 什麼是神經網路？什麼是深度神經網路？為什麼神經網路可以完成機器學習任務？
 如何使用PyTorch或TensorFlow實現簡單的深度學習功能？

順序二：自頂向下，即，自頂層抽象邏輯向下層具體邏輯拓展的順序。

• 電腦的本質是什麼？
• 什麼是圖靈機？什麼是通用圖靈機？
• 什麼是讀取﹣求值﹣輸出迴圈（Read–eval–print Loop，REPL）？
 如何用自頂向下的方式理解（解析、解釋、編譯）一段程式碼？
• 靜態語言和動態語言的區別？
 如何理解變數與資料類型之間的綁定關係？
• 什麼是函數式程式設計？
 程式設計語言中，函數的本質是什麼？
 函數為什麼可以像一個值一樣被表示、存儲、傳遞和處理？

• 什麼是物件導向？
 類的本質是什麼？
 如何用物件導向的方式定義個功能介面？
 如何依據介面實現具體功能？
• 什麼是事件驅動？
 什麼是事件？事件如何分發到接收者？
 如何在事件驅動的環境中理解代碼的狀態和執行順序？

【問題205】探險模式 | 如何提高程式設計水準？

在掌握基本知識體系的基礎上，學好程式設計只有一條路：多程式設計，多參加程式設計比賽，多做程式設計題，多做實驗項目，多找實習機會——其中，能參與真實專案是最有價值的。

【問題206】探險模式 | 該從哪一門程式設計語言學起？

 我個人推薦的程式設計入門語言（可根據情況任選）：
 Python
 Java
 Swift
 C#
 JavaScript / TypeScript
 Ruby
 ……
 可能不適合入門，但適合後續深入學習的語言：
 C
 C++
 Go

 Objective-C
 組合語言
 機器語言（CPU指令集）
 Shell Script
 Lua
 Haskell
 OCaml
 R
 Julia
 Erlang
 MATLAB
 ……

【問題207】探險模式 | 如何選參考書和參考資料？

（1）強烈推薦的參考書和參考資料：

• MIT、Stanford、CMU、UC Berkeley這四所大學中任何一個電腦專業方向使用的教學參考書或參考資料。網上可以查到這些學校電腦專業方向的課程體系，有的學校甚至公開了課程視頻。其中往往會列舉參考書和參考資料連結。
• 維琪百科（英文）上的數學、電腦科學相關條目。
• Github上star數在1000以上的開原始程式碼和開來源文件。

（2）強烈推薦但須小心辨別的參考資料：

 知乎上的數學、電腦科學相關條目。使用時需要格外注意三件事：
 儘量只看高贊答案或高贊文章；
 辨別並避開廣告軟文；
 辨別並避開純抖機靈的故事或段子。
 Stack Overflow上的程式設計問題解答：
 自己動手實驗，辨別解答是否有效。
 CSDN上的程式設計問題解答：
 自己動手實驗，辨別解答是否有效。

（3）其他推薦的參考書和參考資料：

 國內專業作者寫作的專業技術書籍（豆瓣評分7分以上的）。
 大廠（Google、Facebook、Microsoft、Amazon、阿裡、騰訊、百度、頭條等）資深工程師的技術公號、專欄、博客等。

 著名圖書系列：如O’Reilly的動物封面的系列圖書（請注意最新版本和時效性）。
 國內翻譯的著名技術圖書（譯本在豆瓣評分7分以上的）。

（4）儘量避免的參考書和參考資料：

• 已經過時的圖書或參考資料。
• 作者或譯者人數比章節數還多的專業圖書。
• 百度百科上的數學或電腦科學相關資料。

什麼什麼？你這篇問答居然沒有推薦一本具體的圖書？是，沒錯。如果你覺得即便有了上面的線索，自己還是找不到好書好資料，那也許你還是適合“休閒模式”⟹請跳轉至【問題100】

https://www.youtube.com/watch?v=_ezYEr-9kPE

[ KIKI YouTube ] https://www.youtube.com/c/KIKIJAPAN
👆 請訂閱 按鈴鐺 ~~~ 🔔

---

⬇️今天的聰明小幫手
[ ZERO｜地表最小。附著式翻譯機]
嘖嘖優惠傳送門：
https://www.zeczec.com/projects/zero-trans?r=51e90bf5f2
支援40多種語言、90多種口音，小巧體積內有「四陣列麥克風」以及「指向性聲音識別」，結合了即時翻譯機、收音麥克風，附帶語音轉寫功能，連接上手機配合專用APP就成為第一台也是CP值最高的翻譯機。

----

歡迎來到我的頻道！我是來自大阪的日本人叫KIKI☺️
正在在台灣讀大學4年級的學生！請多多指教！😊


[ 合作聯絡 ( お仕事の依頼はこちら👇 ) ]
✉︎ kiki@ruredi.co

----
▷看看KIKI的日常
https://www.instagram.com/shizuki_kiki

▷畫畫+日文教學的Facebook
https://www.facebook.com/kiki.studio.jp/

【 ZERO｜地表最小。附著式翻譯機】
嘖嘖優惠傳送門：https://www.zeczec.com/projects/zero-trans?r=98cff9ad87

支援40多種語言、90多種口音，小巧體積內有「四陣列麥克風」以及「指向性聲音識別」，結合了即時翻譯機、收音麥克風，附帶語音轉寫功能，連接上手機配合專用APP就成為第一台也是CP值最高的翻譯機。

JEREMY'S YOUTUBE: https://www.youtube.com/channel/UCo9lGLyIU9SnNOn28eeOS0Q

JEREMY'S INSTAGRAM: https://www.instagram.com/jeremytalkstostrangers/

My new friend Jeremy and I hit up Ruifeng Night Market in Kaohsiung to test out a brand new translation device and make some new friends!

【 ZERO｜地表最小。附著式翻譯機】
嘖嘖優惠傳送門：https://www.zeczec.com/projects/zero-trans?r=fa37c8889a

支援40多種語言、90多種口音，小巧體積內有「四陣列麥克風」以及「指向性聲音識別」，結合了即時翻譯機、收音麥克風，附帶語音轉寫功能，連接上手機配合專用APP就成為第一台CP值超高的翻譯機。

Music:
Lioness (Instrumental) by DayFox https://soundcloud.com/dayfox
Free Download / Stream: https://bit.ly/lioness-instrumental
Music promoted by Audio Library https://youtu.be/ZATMh49j49M